Vous êtes sur la page 1sur 19

La méthode des équations structurelles : Principes fondamentaux et applications

en marketing

Hechmi Najjar
Institut Supérieur de Gestion de Tunis
E-mail : najjar_hechmi@yahoo.fr

Chaker Najar
Faculté des Sciences Economiques et de Gestion de Tunis
E-mail : najarchaker@yahoo.fr

Résumé :
Le recours aux modèles des équations structurelles en sciences de gestion et plus particulièrement
en marketing, représente un axe méthodologique et empirique prometteur, et une orientation
innovante en matière de développement de la théorie, grâce à un ensemble de démarches et de
techniques avancées. Par conséquent, le présent article s’attache essentiellement à expliciter l’utilité
et l’intérêt portés à ces méthodes de deuxième génération dans la validation des mesures et des
modèles de causalité, et dans la spécification des construits théoriques ainsi que les relations
étudiées simultanément. Après avoir présenté un aperçu relatif aux fondements conceptuels et à la
procédure de la réalisation d’un modèle d’équations structurelles, le deuxième volet de cet article
tente d’exposer la pratique couramment adoptée de ces méthodes par les chercheurs en marketing.
Empiriquement, il parait important de proposer un exemple illustratif concret traitant l’étude de la
relation entre la qualité de services, la satisfaction et la fidélité des clients envers leurs prestataires
de services téléphoniques. A cet effet, une enquête a été opérée auprès de 223 répondants dans le
but de valider un modèle causal dans le domaine des services.

Mots clés : modèle structurel, modèle de mesure, identification, estimation, indices d’ajustement.

Abstract:
The use of structural equation models in management science, especially in marketing, is a
methodological and empirical promising axis and innovative direction toward development of the
theory, based on a set of approaches and advanced techniques. Therefore, this article mainly focuses
on explaining the value and interest of these second generation methods in the validation of
measures and causality models, and the specification of the theoretical constructs and relationships
studied simultaneously. After presenting an overview on the conceptual basis and procedure of
carrying out a structural equation model, the second part of this article attempts to expose the
common practice of the methods adopted by researchers in marketing. Empirically, it seems
important to propose concrete and illustrative example dealing with the study of the relationship
among customers’ service quality, satisfaction and loyalty to their telephone service providers.
Finally, an investigation was made to 223 respondents in order to validate a causal model in
services field.

Keywords : structural model, measurement model, identification, estimation, fit indices.


1. Introduction

La modélisation représente un vecteur crucial au profit du développement de la recherche en


sciences de gestion. Plus particulièrement, l’usage des modèles des équations structurelles en
marketing forme une opportunité aux chercheurs et constitue une solution adéquate à la conception
des modèles théoriques. Ces méthodes qui ont été développées dans les années 70 du 20ème siècle,
(Schumacker et Lomax, 2004), sont devenues couramment adoptées au niveau des travaux
empiriques. Elles s’intègrent dans le cadre des analyses multivariées de deuxième génération et
constituent des méthodes avancées pour la recherche (Valette Florence, 1988 ; Evrard et al, 2003).

Sur le plan académique, les analyses structurelles contribuent énormément à l’évolution de la


théorie et de la démarche méthodologique en marketing (Baumgartner et Homburg, 1996). Ainsi,
les apports se manifestent surtout par la validation des échelles de mesure multi-items, le test des
relations linéaires entre les différents construits du modèle, la mise en valeur des effets médiateurs
ainsi que la vérification des effets modérateurs entre les variables latentes en question. Néanmoins,
l’usage de ces méthodes au niveau managérial demeure relativement restreint et beaucoup plus
limité.

A cet effet, ces méthodes sont plus avantageuses par rapport aux différentes méthodes d’analyses
traditionnelles (notamment les régressions simples et multiples, les tests de corrélations simples et
les analyses canoniques) dans la mesure où elle permettent l’estimation des erreurs, le traitement
simultané des équations linéaires et l’évaluation de la qualité d’ajustement du modèle au niveau des
analyses transversales et longitudinales (Hulland et al, 1996 ; Steenkamp et Baumgartner, 2000 ;
Roussel et al, 2002).

Certes, le développement et l’exploitation des logiciels spécifiques et des programmes de traitement


des données (notamment LISREL, AMOS, EQS, SEPATH de STATISTICA et PLS de XLSTAT,
etc.) a rendu le recours à ces méthodes de plus en plus pratique et populaire.

En partant des origines de la théorie psychométrique, les travaux antérieurs ont révélé que la
modélisation par équations structurelles a été principalement issue de deux techniques
traditionnelles à savoir les analyses factorielles et les modèles des équations simultanées (Kaplan,
2000). Dès lors, ces modèles ont donné lieu à la naissance de deux approches complémentaires à
savoir l’analyse des structures de covariance (ASC) de nature explicative, et les moindres carrés
partiels (PLS) de nature prédictive (Croutsche, 2002).

Au regard des principales orientations méthodologiques et empiriques adoptées dans l’univers de la


recherche en marketing, notre article se positionne dans le champ de la présentation et la
spécification des modèles de type ASC basés sur les structures réflexives. Ces modèles souvent
rencontrés au niveau des travaux de recherches émergents, forment un pré-requis favorable à la
génération des résultats intéressants au niveau des communications, des articles et des travaux de
thèses en marketing. Ce qui nécessite impérativement une attention particulière de la part des
chercheurs, afin de mieux cerner la nature et les particularités des équations structurelles dans ce
domaine de recherche.

A cet égard, le présent article s’attache à atteindre l’ensemble des objectifs suivants :
- Tout d’abord, rappeler brièvement les principes de base de la méthode des équations structurelles
en partant de l’approche d’analyse des structures de covariance (ASC).
- Par la suite, présenter la démarche souvent pratiquée par les travaux de recherches développés en
marketing.
- Finalement, proposer un exemple illustratif traitant les liens de causalité entre la qualité perçue, la
satisfaction et la fidélité des clients à leur fournisseur de services.
2. Les fondements conceptuels de la modélisation par les équations structurelles (SEM)

Selon Hoyle (1995), la modélisation par les équations structurelles représente « une approche
statistique globale permettant de tester des hypothèses traitant des relations entre les variables
observées et les variables latentes ». De même, Kaplan (2000), précise que cette méthode reflète
« une catégorie de méthodologies qui opte pour représenter des hypothèses sur les moyennes, les
variances et les covariances des données observées en terme d’un nombre minimal de paramètres
“structurels” définis par un modèle conceptuel sous-jacent ». Ces techniques multivariées sont très
adoptées dans le contexte des recherches en sciences sociales. Elles tiennent compte de manière
claire et explicite des erreurs de mesures lors de l’étude de la relation entre les variables, comme
elles ont l’exclusivité d’incorporer des variables latentes (ou encore des variables non directement
observables) au niveau du modèle en question.

A ce titre, Hoyle (1995), considère que les variables latentes forment un ensemble de construits ou
encore de dimensions théoriques ou hypothétiques d’une importance majeure dans de nombreuses
sciences. Elles représentent également des variables non observables au niveau des échantillons de
la population étudiée.

Donc, un modèle d’équations structurelles se compose d’un ensemble d’indicateurs de mesure


(appelés également variables manifestes), de variables latentes et des erreurs. Les variables
manifestes et latentes peuvent être indépendantes ou dépendantes, en fonction de leurs positions
dans le modèle structurel. De même, la nature de la liaison entre les indicateurs de mesure et leurs
variables latentes permet de déterminer si la nature des variables observées est réflexive ou
formative. La figure 1 ci-après présente un exemple d’une structure réflexive d’un modèle causal.

Figure 1: Exemple illustratif d’un modèle causal (indicateurs réflectifs)

Modèle de mesure Modèle de mesure

δ
e1 X1
Y1 γ1
e2 X2
A B Y2 γ2
e3 X3
Y3 γ3
e4 X4
Modèle de structure

Equations du modèle de mesure Equation du modèle de structure


Xi = λi * A + ei B=r*A+δ
Yi = λi * B + γi

Comme le montre la figure 1, le modèle causal suivant se compose d’un modèle de mesure et d’un
modèle de structure (ou structurel). Il englobe également l’ensemble de variables observables
indépendantes (Xi), de variables observables dépendantes (Yi), d’une variable latente explicative
(A), d’une variable latente à expliquer (B) et des termes d’erreurs (ei, δ et γ i). Par conséquent, il est
possible de distinguer entre deux types d’équations à savoir les équations du modèle de mesure et
les équations du modèle de structure.
Le modèle de mesure spécifie la relation entre les variables observées et les variables latentes, alors
que le modèle de structure permet d’examiner le lien entre les différentes variables latentes.
Il en ressort que la méthode d’équations structurelles représente une technique multivariée qui
combine entre les modèles de mesure et les modèles de structures tout en examinant de manière
simultanée une série de relations linéaires entre les variables observées et les variables latentes
d’une part, et entre l’ensemble de variables latentes d’autre part (Hair et al, 2009).

3. Les étapes d’élaboration d’un modèle d’équations structurelles

L’élaboration d’un modèle d’équations structurelles rend nécessaire le suivi d’une démarche
composée d’un ensemble d’étapes successives. Selon Bollen et Long (1993) et Schumacker et
Lomax (2004), la spécification, l’identification, l’estimation, l’évaluation et la respécification du
modèle, représentent les étapes les plus communément admises au niveau de la conception d’un
modèle d’équations structurelles. En plus, les développements récents de Chin et al (2008) en
marketing favorisent l’incorporation d’une sixième étape complémentaire qui consiste à présenter la
synthèse des résultats obtenus.

a. La spécification du modèle

La spécification du modèle à étudier consiste à préciser ses principales caractéristiques en se


basant sur la théorie. En effet, la présence d’un cadre conceptuel cohérent avec le modèle forme un
ingrédient préliminaire permettant de justifier théoriquement les relations linéaires à tester (Roussel
et al, 2002). Par conséquent, cette étape contribue de manière effective à la formulation des
hypothèses de recherche dans le but de tester la significativité des liens de causalité entre les
différentes variables en question (Evrard et al, 2003).

Par ailleurs, Baumgartner et Homburg (1996) ont indiqué que la prise en considération d’un certain
nombre de variables observées pour chaque variable latente (ou dimension) sert davantage à
spécifier le modèle de mesure. Ces auteurs suggèrent qu’un minimum de trois à quatre indicateurs
de mesure par dimension est relativement favorable pour un modèle de mesure. De même, Chin et
al (2008), considèrent que la spécification d’un modèle se rapporte à la détermination du sens de
causalité entre les indicateurs de mesure et les variables latentes. Plus particulièrement, nous
distinguons les indicateurs de mesures réflexifs et les indicateurs de mesures formatifs. En se basant
sur les travaux de Jarvis et al (2004) et de Crié (2005), le choix de l’une ou l’autre alternative se
base sur quatre critères de choix à savoir « les modalités relationnelles, les modalités de choix des
items, la covariation entre les indicateurs de mesure et le réseau nomologique des indicateurs de
construits ». Cependant, l’examen de la littérature en marketing révèle que la plupart des modèles
sont de nature réflexive. Ces constats s’accordent avec les travaux de synthèse de Jarvis et al
(2004), développés dans le domaine de marketing.

En définitive, les travaux de Roussel et al (2002), soulignent que la spécification du modèle conduit
à la conception d’un « schéma de relations linéaires » qui se traduisent en modèles de mesure et en
modèles de structure.

b. L’identification du modèle

L’identification est indispensable dans la mesure où elle permet d’attribuer une seule solution
pour chacun des paramètres à estimer. Selon Baumgartner et Homburg (1996), un modèle est
identifié lorsqu’il converge vers une solution unique.
Un modèle conduit à exprimer la matrice de variance/covariance des variables manifestes  en
fonction d’un ensemble de paramètres θ. Ce modèle est identifié si  (θ)=  (θ’) implique θ = θ’.
En pratique, l’identification d’un modèle suppose la satisfaction de deux conditions à savoir la
condition d’ordre (condition nécessaire) et la condition de rang (condition nécessaire et suffisante).
La condition d’ordre dépend impérativement du degré de liberté ddl (Roussel et al, 2002) et se
rapporte à la correspondance entre les paramètres à estimer et le nombre de variances/covariances
des variables observées (Hoyle, 1995).En s’inspirant des travaux de Schumacker et Lomax (2004),
le degré de liberté s’exprime de la manière suivante :

ddl = (P (P + 1) / 2) – N
Avec :
P : le nombre d’indicateurs de mesure du modèle.
N : le nombre de coefficients à estimer du modèle.
ddl : le degré de liberté.

Par conséquent, nous distinguons trois situations possibles à savoir la sous identification, la juste
identification et la sur identification du modèle. Le tableau 1 suivant présente ces trois situations :

Tableau 1 : L’identification du modèle par les conditions d’ordre


Situations Sous identification Juste identification Sur identification
Degrés de liberté (P (P + 1) / 2) < N (P (P + 1) / 2) = N (P (P + 1) / 2) > N
(ddl) ddl < 0 ddl = 0 ddl > 0

D’après le tableau 1, la condition d’ordre est vérifiée lorsque le modèle est juste identifié ou encore
sur identifié, c'est-à-dire lorsque le degré de liberté est supérieur ou égal à zéro (ddl ≥ 0).
Par ailleurs, la condition de rang permet d’avoir une seule solution vis-à-vis de chacun des
paramètres à estimer. Selon Schumaker et Lomax (2004), la condition de rang est beaucoup plus
complexe ; « elle nécessite une détermination algébrique de manière que chaque paramètre du
modèle peut être estimé de la matrice observée de variance/covariance ». Ces auteurs précisent que
la condition de rang est atteinte lorsque la matrice de variances/covariances est définie positive. En
d’autres termes, le déterminant de cette matrice est non nul.

c. L’estimation du modèle

L’estimation consiste à déterminer les valeurs relatives aux différents paramètres du modèle à
tester. Au regard de la littérature, il existe plusieurs méthodes d’estimations. Le choix de l’une de
ces méthodes dépend d’un certain nombre de conditions notamment la taille de l’échantillon et la
distribution des données (Chin et al, 2008).
Selon les travaux de Baumgartner et Homburg (1996), de Schumacker et Lomax (2004) et de
Chaput (2006), la technique d’estimation du Maximum de Vraisemblance ML (Maximum
Likelihood) et des Moindres Carrées Généralisées GLS (Generalized Least Squares) sont les plus
utilisées étant donné qu’elles figurent dans la plupart des logiciels de traitement des données. Selon
Schumacker et Lomax (2004), les expressions de ces méthodes se présentent comme suit :

FML = Tr (S * ˆ 1 ) – p + Ln | ̂ | – Ln | S |
FGLS = 0,5 * tr [(S – ̂ ) S-1] 2

Avec : S la matrice de variances/covariances observées, ∑ la matrice de variances/covariances


estimées et p le nombre d’indicateurs de mesure (ou de variables observées).

En marketing, la méthode d’estimation du Maximum de Vraisemblance semble être la plus utilisée


bien qu’elle est très sensible au problème de la multinormalité des données observées. En effet,
l’indice de Mardia (1970), permet de déterminer la violation de cette condition. Selon Kline (2011),
il existe un problème de multinormalité lorsque Mardia est élevé. Par conséquent, le recours à la
technique de bootstrap à N réplications sert d’avantage à s’assurer de la stabilité des données
observées. Cette technique de rééchantillonnage produit des estimations et des erreurs standardisées
en se basant sur un certain nombre de pseudo échantillons (Schumacker et Lomax 2004).

d. L’évaluation du modèle

La qualité d’un modèle peut être appréciée à travers l’évaluation d’un ensemble d’indices
d’ajustements. Chacun de ces indices dispose d’un ensemble de caractéristiques spécifiques. Par
conséquent, on dénombre plusieurs indices d’ajustements qui se regroupent en trois catégories à
savoir les indices absolus, les indices incrémentaux et les indices de parcimonie.

Les indices absolus sont qualifiés comme étant des indices classiques (Chaput, 2006). Ils examinent
le niveau de correspondance entre le modèle proposé et les données observées (Schumacker et
Lomax, 2004). Autrement dit, ces indices déterminent la similarité ou la différence entre le modèle
estimé et la matrice de variances/covariances observée (Roussel et al, 2002 ; Schumacker et Lomax,
2004).

Les indices incrémentaux permettent d’évaluer la contribution du modèle étudié par rapport à un
modèle restrictif de base (Chaput, 2006). En effet, ces indices effectuent une comparaison entre le
modèle estimé et le modèle de référence ayant une corrélation nulle entre les données observées
(Roussel et al, 2002).

Les indices de parcimonie contrôlent la surestimation du modèle. Ils déterminent le nombre


nécessaire de paramètres à estimer permettant d’atteindre le niveau d’ajustement spécifique
(Schumacker et Lomax, 2004). L’objectif étant d’aboutir à un meilleur dosage entre la
maximisation de l’ajustement et la minimisation du nombre des coefficients estimés (Roussel et al,
2002).

Ainsi, le tableau qui suit illustre les principaux indices adoptés en marketing et leurs spécificités, en
tenant compte des travaux de Roussel et al (2002), Evrard et al (2003), et Schumacker et Lomax
(2004). Ces indices devraient respecter les niveaux d’acceptation communément admis par les
chercheurs en vue d’avoir un bon ajustement du modèle testé.

Tableau 2 : Les indices d’ajustement du modèle à équations structurelles


Seuils
Types
Caractéristiques Exemples d’acceptations
d’indices
empiriques
Khi-deux -
Ces indices permettent GFI : Goodness of Fit Index Valeurs
de vérifier la similarité
AGFI : Adjusted Goodness of Fit supérieures à
Les indices
entre le modèle Index 0,9
absolus
théorique et les RMR :Root-mean-square residual Valeurs
données observées.
RMSEA : Root-mean-square error inférieures à
of approximation 0,05
CFI : Comparative Fit Index
Ces indices permettent
NFI : Normal Fit Index Valeurs
Les indices de comparer entre le
RFI : Relative Fit Index supérieures à
incrémentaux modèle testé et le
IFI : Incremental fit Index 0,9
modèle de référence.
TLC : Tucker-Lewis Coefficient
Cet indice permet
Valeurs
L’indice de d’obtenir un modèle
Khi-deux normé (Khi-deux/ddl) inférieures à 2
parcimonie plus simple avec un
voire 3
meilleur ajustement.
Il est à remarquer d’après le tableau 2 que les indices d’ajustement sont multiples par rapport à ceux
des méthodes traditionnelles (notamment la méthode des régressions) et que la question de fixation
des valeurs clés ou encore des seuils d’acceptation de ces indices a fait l’objet d’une certaine
divergence entre les chercheurs.

e. La respécification du modèle

La respécification du modèle représente une phase de réflexion qui offre l’opportunité de


reconsidérer la conception du modèle et d’en proposer des modifications éventuelles, en tenant
compte du cadre théorique de la recherche en question (Chin et al, 2008). De même, Roussel et al
(2002), soulignent que la phase de respécification du modèle doit être opérée avec précautions dans
le but d’apporter des améliorations possibles au modèle d’origine. A titre d’exemple, il serait
possible d’ajouter ou de supprimer des paramètres, de fixer ou de modifier des contraintes, etc. tout
en prenant en considération les bases de la théorie qui fonde la conception du modèle de base.

f. La présentation des résultats

A ce niveau, la sélection des résultats nécessaires permet de répondre aux objectifs de la


recherche. En effet, la préparation des résultats de manière convenable constitue un préambule au
développement des connaissances théoriques (Chin et al, 2008). De même, ces résultats doivent
incorporer des informations pertinentes et précises, permettant d’aboutir facilement à des solutions
aux problèmes susceptibles d’être rencontrés dans l’analyse (Chin et al, 2008).

4. La pratique de la méthode des équations structurelles en marketing

En pratique, l’usage des techniques d’équations structurelles en marketing est en évolution


permanente comme elle reflète une opportunité pour le développement de la théorie et de la
recherche (Hulland et al, 1996 ; Steenkamp et Baumgartner, 2000). En effet, cette méthode est
innovante dans la mesure où elle crée de la valeur et contribue à la proposition des travaux de plus
en plus performants sur le plan méthodologique et empirique (Babin et al, 2008). Ainsi, le tableau 3
qui suit présente les principales applications des équations structurelles en marketing.

Tableau 3 : Les principales applications des équations structurelles en marketing


Objectifs opérationnels Techniques et démarches
Spécificités
en marketing adoptées
La validation de l’échelle de
mesure nécessite la vérification
de la fiabilité et de la validité
Rhô de Jöreskog.
des construits théoriques.
Rhô de validité convergente.
Lors de la génération d’une
Validation des échelles de Test de la validité
nouvelle échelle de mesure, les
mesure. discriminante.
étapes de paradigme de
Vérification de la validité
Churchill (1979) ou la
nomologique ou prédictive.
procédure C-OAR-SE de
Rossiter (2002) sont utilisés en
marketing.
La supériorité de la structure
unidimensionnelle ou
Vérification de la nature Comparaison entre les
multidimensionnelle représente
unidimensionnelle ou coefficients d’ajustement.
une étape complémentaire
multidimensionnelle des Test de différence de
permettant de vérifier les
construits. différence de Khi-deux.
résultats théoriques et
empiriques de la recherche.
Vérification de la Détermination du test de
La significativité des liens de
significativité des liens de Student ou encore de Critical
causalité permet la validation
causalité entre les Ratio (C.R.) et du niveau de
des hypothèses de recherche.
variables du modèle. probabilité P.
Il s’agit de vérifier la
significativité, la nature
Identification de Test de Sobel.
(médiation partielle ou totale)
l’importance des effets Procédure de bootstrap (avec
et l’importance de l’effet
médiateurs dans le modèle. simulation de Monte Carlo).
médiateur par rapport à l’effet
direct ou total.
Cette technique permet
d’étudier la présence ou
Vérification du rôle l’absence de l’effet modérateur
Analyse multi-groupes (Test de
modérateur d’une variable de la variable étudiée. Dans le
différence de Khi-deux entre le
au niveau des liens de cas de significativité du test de
modèle contraint et le modèle
causalité entre les différence de Khi-deux, il est
libre).
construits. possible d’étudier l’importance
de la relation pour chacun des
groupes.
D’après Roussel et al (2002),
la présence d’un facteur du
second ordre nécessite une
L’identification d’un Analyse confirmatoire du
justification théorique et une
construit agrégé. second ordre.
corrélation suffisamment
importante entre les variables
latentes du premier ordre.

D’après le tableau 3, les équations structurelles disposent d’une variété d’usage en marketing. C’est
une technique puissante en matière de validation des échelles de mesure multi-items et de
propositions des résultats précis. De même, Baumgartner et Homburg (1996) ont souligné que les
équations structurelles permettent le développement de la recherche en se basant sur l’examen des
construits multifacettes, l’interaction entre le construit et sa mesure, ainsi que l’explication du
phénomène étudié. De ce fait, cette méthode offre une démarche cohérente et des modèles valides
en marketing.

Par ailleurs, la majorité des chercheurs en marketing optent pour la démarche en deux étapes
d’Anderson et Gerbing (1988). Il en ressort que cette démarche est avantageuse car elle stipule que
l’estimation séparée est plus favorable que l’estimation simultanée du modèle de mesure et du
modèle de structure. Cette procédure consiste à valider à priori le modèle de mesure moyennant les
analyses confirmatoires, avant de tester le modèle de structure en examinant les liens de causalité
entre ses différentes variables latentes.

Sur le plan opérationnel, il est notable de préciser que l’usage des analyses confirmatoires et
structurelles en marketing, nécessite des analyses préliminaires dans le but de valider les
instruments de mesures au niveau exploratoire.
a. Les analyses exploratoires

Au regard des travaux de recherche en marketing, le recours aux Analyses en Composantes


Principales (ACP) ainsi que le calcul de la fiabilité des dimensions obtenues moyennant le
coefficient Alpha de Cronbach (1951), caractérisent la phase des analyses exploratoires.

En effet, l’ACP est une technique descriptive qui réduit l’information initiale (ou encore les
variables observées) en quelques facteurs synthétiques, dans le but de générer des variables latentes
(Vedrine, 1991 ; Malhotra et al, 2004). Cette technique produit plusieurs résultats notamment la
qualité de représentation des variables initiales, le test de sphéricité de Bartlett, l’indice KMO, les
valeurs propres, le pourcentage de la variance expliquée ainsi que la matrice des composantes
(avant et après rotation), etc.

Par ailleurs, le coefficient Alpha de Cronbach (α), est souvent utilisé en complément aux analyses
factorielles, afin de s’assurer de la fiabilité ou de cohérence interne des échelles de mesure au
niveau exploratoire. Nous précisons que ce coefficient est relatif à des variables positivement
corrélées. Selon Evrard et al (2003), ce coefficient s’exprime par la formule suivante :

 K 
 i  i2 

  .1  
 K  1     i  2  i , j
2

 i i, j 

Sachant que : K est Nombre de questions ou items, i2 représente la variance de l’item i et
i,j désigne la covariance entre l’item i et l’item j.
Par conséquent, les travaux de Peterson (1995), ont montré que le coefficient (α) devrait être
supérieur au seuil de 0,7 communément admis par les travaux antérieurs.

b. Les analyses confirmatoires

Les analyses confirmatoires, permettent de vérifier la fiabilité, la validité ainsi que l’ajustement
du modèle de mesure. La vérification de la fiabilité au niveau confirmatoire est assurée par le calcul
du Rhô de Jöreskog (ρ). Selon Roussel et al (2002), ce coefficient est plus précis que celui d’Alpha
de Cronbach, puisqu’il intègre les termes d’erreurs. Il devrait avoir une valeur importante
supérieure ou égale à 0,7 pour justifier sa fiabilité. En outre, ces auteurs ont indiqué que le Rhô de
Jöreskog s’exprime comme suit :
2
 n 
  i 
A   i 1 
2
 n  n

 i    Var  i 
 i 1  i 1

Avec : A : Le construit à tester (variable latente), i : Loading, n : Nombre de variables observables,


i : Erreur de mesure,  : Coefficient de fiabilité Rhô de Jöreskog.

Concernant la validité interne du construit, il s’agit de vérifier la validité convergente et la validité


discriminante. Selon Fornell et Larcker (1981), la validité convergente est vérifiée lorsque ρvc est
supérieur ou égal à 0,5. Selon ces auteurs, l’expression de la validité convergente se présente
comme suit :
p

 2
i
 vc ( )  p
i 1
p

   Var ( )
i 1
2
i
i 1
i
Avec : η : variable latente ou dimension, i : Contribution factorielle (Loading), P : Nombre de
variables observables ou indicateurs de mesure, i : Erreur de mesure, vc(η) : Indice de validité
convergente de la variable latente η.

Par ailleurs, la validité discriminante est obtenue lorsque la variance moyenne extraite dépasse le
carré de la corrélation entre la variable latente étudiée et les autres dimensions du modèle de mesure
(Fornell et Larcker, 1981).

Au niveau des analyses confirmatoires pratiquées en marketing, il est possible de valider des
échelles de mesures, de s’assurer de la multidimensionnalité ou d’unidimensionnalité des construits
à travers la comparaison des ajustements des deux structures étudiées, et de recourir à des analyses
confirmatoires du second ordre mettant en évidence des construits agrégés.

c. La validation du modèle causal

Le modèle causal permet de tester la significativité et l’intensité des liens de causalité entre les
variables latentes. Les hypothèses de recherche sont vérifiées grâce à l’examen du Critical Ratio
(C.R.) ou encore du test de Student, ainsi qu’à la vérification des niveaux de probabilité pour
chacun des liens de causalité. En plus, la validation d’un modèle causal nécessite la vérification de
la qualité d’ajustement des indices absolus, incrémentaux et de parcimonie.

Dans le cas où le modèle causal dispose de plusieurs liens de causalité, il est possible de mesurer
l’importance des effets médiateurs par rapport aux effets directs et totaux. Selon Akremi (2005), le
recours à la procédure en quatre étapes de Baron et Kenny (1986) et l’usage du test de Sobel (1996),
favorise la détermination de l’effet médiateur. Cependant, lorsqu’il s’agit d’un modèle complexe
ayant plusieurs variables médiatrices, la technique Bootstrap avec simulation de Monte Carlo sera
plus appropriée pour la détermination des effets médiateurs (Selig et al, 2008 ; Kline, 2011).

d. Les analyses multi-groupes

L’analyse multi-groupes permet de tester le rôle modérateur d’une variable nominale (souvent
dichotomique) au niveau de la relation entre deux variables latentes. Elle forme une partie
intégrante des analyses avancées et permet de tester l’invariance au niveau des modèles structurels
en vérifiant la similarité ou la différence entre les groupes moyennant la comparaison des différents
paramètres (Hoyle, 1995 ; Byrne 2010).

Ainsi, l’usage de l’analyse multi-groupes permet de vérifier les hypothèses de recherche traitant la
présence, la significativité et l’importance des effets modérateurs dans un modèle causal.
Les travaux de Sauer et al (1993), ont permis le développement d’une procédure en trois étapes
dans le but de tester la significativité et la nature des effets modérateurs. Cette démarche
fréquemment adoptée en marketing se compose de trois étapes qui consistent à :
 Spécifier le modèle à tester et définir le nombre de modalités des variables modératrices de
chacun des groupes.
 Définir deux types de modèles : un modèle témoin (ou contraint) et un modèle libre.
 Calculer le test de différence de Khi-deux en vue d’étudier la présence ou l’absence de l’effet
modérateur pour chacun des groupes spécifiés dans l’analyse.

Par ailleurs, l’affectation des observations en groupes dépend de la nature des variables
modératrices à tester. En ce sens, le recours à certaines techniques préliminaires permettra d’aboutir
à des modalités relatives à la variable modératrice étudiée, dans le but de pratiquer les analyses
multi-groupes. A titre d’exemple, la technique du Median Split pourrait être appropriée dans le cas
où il s’agit d’une seule variable à étudier. Au contraire, la présence des instruments de mesure
multi-items favorise l’application de la classification des nuées dynamiques qui représente une
technique convenable à la répartition du nombre d’observations en classes. Cette méthode est
fortement préconisée dans la mesure où le nombre d’observations est très important.

5. Exemple d’application en marketing

Nous avons choisi d’étudier l’impact de la qualité perçue sur la satisfaction et la fidélité des
clients à leurs fournisseurs de services téléphoniques. Par conséquent, le modèle conceptuel de la
recherche (Figure 2) présente les différents liens de causalité entre ces construits théoriques et
montre que la satisfaction pourrait jouer un rôle médiateur au niveau de la relation entre la qualité
de services et la fidélité.

Figure 2 : Le modèle conceptuel de la recherche

H1 Satisfaction H2

Qualité de H3 Port Fidélité


services ail des clients
ou
site
Inte
rnet
du
FSI
Sur le plan théorique, les travaux de recherche en marketing ont souligné l’importance de la qualité
perçue dans la détermination de la satisfaction des clients. En effet, Ting (2004), Lewis et Soureli
(2006), Maddern et al (2007), ainsi que Helgesen et al (2010), ont montré que la qualité représente
un déterminant incontournable de la satisfaction dans la mesure où Qua elle favorise le développement
d’une expérience gratifiante et d’un sentiment de contentement chezlité les clients.
de
Par la suite, l’effet de la satisfaction sur la fidélité a été fortement démontré dans la littérature en
serv
marketing relationnel. D’après Chen et Quester (2006), Macintosh ices (2007) et Tuu et Olsen (2009), la
offe
satisfaction exerce un effet positif sur la fidélité des clients et favorise le développement du
rts
portefeuille des clients fidèles. A cet effet, les clients satisfaits développent une relation durable et
par
bénéfique avec leur fournisseur comme ils sont plus disposés à acquérir la même offre de manière
continue. le
FSI
Finalement, l’impact de la qualité perçue sur la fidélité a été démontré théoriquement en marketing.
Selon Aydin et Özer (2005), Lewis et Soureli (2006), ainsi que Rauyruen Prix et al (2009), la qualité
représente un antécédent majeur à la détermination de la fidélité desdu clients.
FAI
Compte tenu de ces recherches antérieures, nous pouvons proposer l’ensemble des hypothèses
suivantes :
Fidé
H1 : La qualité perçue pourrait agir positivement sur la satisfaction litédes clients au fournisseur de
services téléphoniques. des
clie
H2 : La satisfaction pourrait agir positivement sur la fidélité des clients au fournisseur de services
nts
téléphoniques.

H3 : La qualité perçue pourrait agir positivement sur la fidélité des clients au fournisseur de
services téléphoniques. Ser
vice
s
offe
rts
a. Méthodologie de la recherche

Au niveau méthodologique, une enquête en face à face a été effectuée dans le but de valider un
modèle causal intégrant la qualité perçue, la satisfaction et la fidélité. Le questionnaire s’adresse à
un échantillon de convenance composé de 223 consommateurs tunisiens appartenant à la tranche
d’âge 19 – 31 ans (dont 56,1% sont de sexe masculin et 43,9% de sexe féminin).

L’opérationnalisation des construits théoriques a été opérée suite au recours à des échelles de
mesure ayant une bonne qualité psychométrique. En effet, les échelles de mesure de Dorsch et al
(1998), de Lombart et Labbé-Pinlon (2006) et de Dean (2007), ont été empruntées et adaptées en
fonction de notre contexte d’étude dans le but de mesurer respectivement la satisfaction, la fidélité
et la qualité de services. Le tableau 4 qui suit présente les instruments de mesure utilisés.

Tableau 4 : Les instruments de mesure de la recherche


Echelle de mesure Indicateurs de mesure Auteurs
Qualser 1 : Le fournisseur de services
téléphoniques est en mesure de résoudre mes
problèmes.
Qualser 2 : Je passe un temps d’attente court
Items empruntés et
Qualité de services pour accéder aux services téléphoniques.
adaptés de Dean,
téléphoniques Qualser 3 : Le personnel de services
(2007)
téléphoniques me traite avec empathie.
Qualser 4 : Le personnel de services
téléphoniques est capable de m’aider à définir
mes besoins.
Sat 1 : Je suis satisfait envers le fournisseur de
services téléphoniques. Echelle empruntée et
Sat 2 : Je suis heureux envers le fournisseur adaptée de Dorsch,
Satisfaction
de services téléphoniques. Swanson et Kelley,
Sat 3 : Je suis favorable à l’égard du (1998)
fournisseur de services téléphoniques.
Fid 1 : Je continue à fréquenter ce fournisseur
de services téléphoniques. Echelle empruntée et
Fid 2 : Je recommande ce fournisseur de adaptée de Lombart
Fidélité
services téléphoniques à mes proches. et Labbé-Pinlon
Fid 3 : Je renouvelle mes achats de ce (2006)
fournisseur de services téléphoniques.

Par ailleurs, les données collectées ont été soumises aux logiciels d’analyse SPSS 11.0 et LISREL
8.7 en vue de générer les résultats des analyses exploratoires, confirmatoires et structurelles.

En effet, les analyses exploratoires favorisent l’identification des variables latentes et la vérification
de leurs cohérences internes. En plus, le recours à la procédure en deux étapes d’Anderson et
Gerbing (1988), permet de valider le modèle de mesure en vérifiant la fiabilité et la validité des
construits, avant de déterminer la qualité d’ajustement du modèle structurel et estimer ses
paramètres.

b. Analyse et interprétation des résultats

Dans ce qui suit, nous allons présenter successivement les résultats des analyses exploratoires,
confirmatoires et structurelles.
Concernant les analyses exploratoires, le tableau 5 présente les résultats de l’analyse factorielle
avec rotation varimax ainsi que les coefficients Alpha de Cronbach pour chacune des dimensions
obtenues.

Tableau 5 : Résultats des analyses exploratoires


Analyse factorielle : Composantes après rotation Varimax
Items
Qualité des services Fidélité Satisfaction
QUALSER 1 0,889 0,071 0,159
QUALSER 2 0,867 0,146 0,239
QUALSER 3 0,860 0,134 0,150
QUALSER 4 0,852 0,085 0,216
FID 1 0,117 0,851 0,128
FID 2 0,109 0,923 0,098
FID 3 0,109 0,895 0,116
SAT 1 0,208 0,092 0,883
SAT 2 0,200 0,161 0,888
SAT 3 0,226 0,117 0,871
Valeurs propres 3,179 2,476 2,517
Alpha de Cronbach 0,9167 0,8876 0,9012
KMO = 0,833 Signification de Bartlett = 0,000
Pourcentage cumulé de la variance expliquée = 81,726 %.

D’après le tableau 5, l’analyse factorielle permet d’identifier trois dimensions à savoir la qualité des
services, la satisfaction et la fidélité. En plus, le pourcentage de variance totale expliquée de ces
variables atteint 81,726%. Les résultats montrent également que le KMO témoigne la présence
d’une solution factorielle et le test de sphéricité de Bartlett est significatif au risque de 5%.
La vérification de la fiabilité interne des dimensions obtenues au niveau exploratoire, fait apparaître
des résultats satisfaisants supérieurs au seuil de 0,7.

Concernant les analyses confirmatoires, le Rhô de Jöreskog permet de vérifier la fiabilité des
dimensions du modèle de mesure. De même, le recours à la procédure de Fornell et Larcker (1981),
permet de déterminer la validité convergente et la validité discriminante pour chacune des variables
latentes. Le tableau 6 ci-après présente les résultats des analyses confirmatoires :

Tableau 6 : Résultats des analyses confirmatoires


Fiabilité (Rhô Validité
Dimensions Validité discriminante
de Jöreskog) convergente
0,736> δ2Q – S = 0,2401
Qualité de Service (Q) 0,917 0,736
0,736> δ2Q – F = 0,0784
0,751> δ2S – Q = 0,2401
Satisfaction (S) 0,901 0,751
0,751> δ2S – F = 0,090
0,739> δ2F – Q = 0,0784
Fidélité (F) 0,892 0,739
0,739> δ2F – S = 0,090

Le tableau 6 indique des résultats satisfaisants pour chacune des dimensions du modèle de mesure.
En effet, les valeurs du Rhô des Jöreskog dépassent le seuil minimal de 0,7 alors que le Rhô de la
validité convergente est supérieur au seuil de 0,5 pour chaque dimension obtenue. De même, les
conditions de la validité discriminante ont été respectées étant donné que la variance moyenne
extraite est supérieure au carré de la corrélation entre les variables latentes du modèle de mesure. A
cet effet, nous pouvons admettre que la qualité de services, la satisfaction et la fidélité représentent
des dimensions fiables et valides du modèle de mesure.
Finalement, le modèle structurel permet de vérifier les hypothèses de recherches. La figure 3
présente le modèle causal ainsi que les valeurs relatives aux coefficients standardisés estimés par la
méthode du maximum de vraisemblance (ML).

Figure 3 : Le modèle causal de la recherche

La vérification de la qualité d’ajustement du modèle structurel est assurée par l’examen des indices
absolus, incrémentaux et de parcimonie.

Tableau 7 : L’ajustement du modèle causal


Indice Khi-deux normé GFI AGFI RMR RMSEA NFI CFI
Valeur 0,965 0,97 0,95 0,028 0,000 0,98 1,00

Le tableau 7 indique que le modèle structurel présente un bon ajustement. En effet, le Khi-deux
normé présente une valeur inférieure à 2. Les indices GFI, AGFI, NFI et CFI sont supérieurs à 0,9
et très proches de 1. En outre, le RMR et le RMSEA sont inférieurs à 0,1 et convergent vers 0.

Par ailleurs, les résultats du tableau 8 permettent de vérifier la significativité et l’importance des
liens de causalité entre la qualité de services, la satisfaction et la fidélité dans le but de valider les
hypothèses de recherche.

Tableau 8 : Résultats des liens de causalité et validation des hypothèses de recherche


Test de Significativité Validation des
Lien causal
Student des liens hypothèses
H1 : Qualité des Services → Satisfaction 6,92 0,000.* Confirmée
H2 : Satisfaction → Fidélité 2,54 0,011* Confirmée
H3 : Qualité des Services → Fidélité 2,17 0,030* Confirmée
* : P < 0,05

Comme le montre le tableau 8, les hypothèses de recherche H1, H2 et H3 sont confirmées. En effet,
les tests de Student sont supérieurs à 2 et les niveaux de probabilités sont significatifs au risque de
5%. Ainsi, nous pouvons conclure que la fidélité dépend positivement da la qualité des services et
de la satisfaction. De même, la qualité des services agit positivement sur la satisfaction des clients à
leur fournisseur de services téléphoniques. Ces résultats s’accordent avec ceux déjà étudiés dans la
littérature en marketing.
L’examen des résultats fait apparaître que la satisfaction représente une variable médiatrice entre la
qualité de services et la fidélité. En effet, le recours à la démarche de Baron et Kenny (1986) en
quatre étapes, permet de vérifier la significativité, la nature et l’intensité de la médiation. La figure
4 ainsi que le tableau 9 présentent l’application de cette procédure d’analyse:

Figure 4 : Vérification de l’effet médiateur de la satisfaction

a Satisfaction b

Qualité de c’ Port
Fidélité
ail
services des clients
ou
site
Inte
Qualité de c rnet Fidélité
services du des clients
FSI

Qua
Tableau 9 : Démarche de Baron et Kennylité (1986)
Etapes de
Résultats
Etape 1 : Vérifier l’impact de la qualité de L’impact de la qualitéserv de services sur la fidélité est
services sur la fidélité. significatif (c = 0,28 et icest = 3,86).
Etape 2 : Vérifier l’impact de la qualité de L’impact de la qualité offe de services sur la
services sur la satisfaction. rts (a = 0,49 et t = 6,93).
satisfaction est significatif
Etape 3 : Vérifier l’impact de la par
satisfaction sur la fidélité (Moyennant la L’impact de la satisfaction le sur la fidélité est
régression de la fidélité sur la satisfaction significatif (c = 0,31 et FSI t = 4,18).
et sur la qualité perçue de services).
Nous sommes en Prix présence d’une médiation
partielle sachant que du les liens direct et indirect
Etape 4 : détermination des spécificités de sont significatifs. Le FAI test de Sobel est significatif
la médiation à travers le calcul du test de au risque de 5%.
Sobel (z) et la vérification de sa
0,54  0,15
significativité. Selon Kline (2011), z  2,42
   
Fidé
l’expression de z se présente comme suit : 0,15 2  0,078 lité
2
 0,54 2  0,058 2
ab des
z Etant donné que:
 2 2
 
b  S a  a  Sb
2 2
 clie
(A = 0,54 B = 0,15 SEa = 0,078 SEb = 0,058)
De même, la médiation ntsest partielle lorsque c – c’
Avec :
a et b : régressions non standardisées. est non nulle (0,28 – 0,18 = 0,10)*.
Sa et Sb : erreurs standardisées. Par conséquent : (0,28 – 0,18 = 0,49  0,21)*
La nature de la médiation est calculée par Pour un effet indirectvice non standardisé (a  b = 0,08)
Ser
l’expression suivante : c – c’ = a * b le niveau de signification est : 0,0078
s
NB : * : Résultats avec des coefficients
standardisés. offe
rts
par
En se basant sur les résultats du tableau 9, nous pouvons constater que la satisfaction joue le rôle
l’en
d’une variable médiatrice importante au niveau du modèle causal. Toutefois, il est à remarquer que
trep
rise
le lien indirect de la qualité des services sur la fidélité (0,103) est inférieur à celui du lien direct
(0,18).

6. Conclusion

Nous avons pu conclure à partir de ce travail de recherche que l’usage de la méthode des
équations structurelles a atteint un niveau de maturité permettant le développement de la théorie,
grâce à une démarche rigoureuse, et un ensemble de techniques avancées qui permettent de générer
des résultats précis et pertinents. En effet, la notion des variables latentes, la résolution des systèmes
d’équations simultanées, la prise en considération des erreurs de mesure et la validation des échelles
multi-items etc., s’attachent à rendre cette méthode plus efficace et plus puissante. Par conséquent,
la discussion des résultats conduit généralement à la proposition des informations riches et
approfondies, dans le but de suggérer un ensemble de recommandations théoriques et
opérationnelles.

En partant de notre exemple illustratif en marketing, nous avons démontré que la fidélité dépend
positivement et simultanément de la qualité perçue de services ainsi que de la satisfaction des
clients à l’égard du fournisseur de services téléphoniques. Autrement dit, la résolution des
problèmes, la gestion du temps d’attente et l’orientation client des personnels en contact, favorisent
ensemble le développement des expériences gratifiantes et des réactions positives favorables. Ce
qui permet de rendre les clients de plus en plus fidèles et contribue à développer les achats et le
BAO (Bouche-à-Oreille) positif des clients.

Ainsi, ces résultats pourraient être utiles pour la proposition des recommandations utiles au profit
des opérateurs de services téléphoniques. De même, la diversité des analyses relatives à la méthode
des équations structurelles (notamment l’usage des analyses multi-groupes, le recours aux analyses
du second ordre, etc.) favorise davantage la spécification des résultats de la recherche en question.

En dépit de la linéarité des équations structurelles qui constitue sa principale limite technique, les
utilités de cette méthode sont nombreuses et ne cessent de contribuer au développement du champ
de la recherche académique en marketing.

Bibliographie citée dans l’article

Akremi A., (2005), « Analyse des variables modératrices et médiatrices par les méthodes
d’équations structurelles », in Roussel P., Wacheux F., Management des ressources humaines :
Méthodes de recherche en sciences humaines et sociales, Edition De Boeck, 1ère ed, Belgique, pp
325-348.
Anderson J.C., Gerbing D.W., (1988), « Structural equation modelling in practice: A review and
recommended two-step approach », Psychological Bulletin, Vol. 103, N°3, pp 411-423.
Aydin S., Özer G., (2005), « The analysis of antecedents of customer loyalty in the Turkish mobile
telecommunication market », European Journal of Marketing, Vol. 39, N°7/8, pp 910-925.
Babin B.J., Hair J.F., Boles J.S., (2008), « Publishing research in marketing journals using
structural equation modelling », Journal of Marketing Theory and Practice, Vol. 16, N°4, pp 279-
285.
Baron R.M., Kenny D.A., (1986), « The moderator-mediator variable distinction in social
psychological research: Conceptual, strategic, and statistical considerations », Journal of
Personality and Social Psychology, Vol. 51, N°6, pp 1173-1182.
Baumgartner H., Homburg C., (1996), « Applications of structural equation modeling in marketing
and consumer research: A review », International Journal of Research in Marketing, Vol. 13, N°2,
pp 139-161.
Bollen K.A., Long S., (1993), Testing structural equations models, Edition Sage, London.

Byrne B.M., (2010), Structural equation modelling with AMOS: Basic concepts applications and
programming, Routledge, 2ème edition, New York.
Chaput L., (2006), Modèles contemporains en gestion, Presses de l’Université du Québec.

Chen S-C., Quester P.G., (2006), « Modeling store loyalty: perceived value in market orientation
practice », Journal of Services Marketing, Vol. 20, N°3, pp 188-198.
Chin W.W., Peterson R.A., Brown S.P., (2008), « Structural equation modeling in marketing: Some
practical reminders », Journal of Marketing Theory and Practice, Vol. 16, N°4, pp 287-298.
Churchill G. A. Jr., (1979), « A Paradigm for developing better measures of marketing constructs »,
Journal of Marketing Research, Vol. 16, N°1, pp 64-73.
Crié D., (2005), « De l’usage des modèles de mesure réflectifs ou formatifs dans les modèles
d’équations structurelles », Recherche et Applications en Marketing, Vol. 20, N°2, pp 5-27.
Cronbach L.J., (1951), « Coefficient alpha and the internal structure of tests », Psychometrika, Vol.
16, N°3, pp 297-334.
Croutsche J-J., (2002), « Etude des relations de causalité. Utilisation des modèles d’équations
structurelles (approche méthodologique) », La Revue des Sciences de gestion Direction et Gestion,
N°198, pp 81-97.
Dean A.M., (2007), « The impact of the customer orientation of call center employees on
customers’ affective commitment and loyalty », Journal of Service Research, Vol. 10, N°2, pp 161-
173.
Dorsch M.J., Swanson S.R., Kelley S.W., (1998), « The role of relationship quality in the
stratification of vendors as perceived by customers », Journal of the Academy of Marketing Science,
Vol. 26, N°2, pp 128-142.
Evrard Y., Pras B., Roux E., (2003), Market Etudes et recherches en Marketing, 3ème édition,
DUNOD, PARIS.
Fornell C., Larcker D., (1981), « Evaluating structural equation models with unobservable variable
and measurement error », Journal of Marketing Research, Vol. 18, N°1, pp 39-50.
Hair J.F., Black B., Babin B., Anderson R.E., Tatham R.L., (2009), Multivariate data analysis,
Pearson Prentice-Hall, 7ème ed, 928 Pages.
Helgesen Ø., Havold J.I., Nesset E., (2010), « Impacts of store and chain images on the “quality –
satisfaction – loyalty” in petrol retailing », Journal of Retailing and Consumer Services, Vol. 17,
N°2, pp 109-118.
Hoyle R.H., (1995), Structural equation modelling: Concepts issues and applications, Edition Sage,
London.
Hulland J. Chow Y.H., Lam S., (1996), « Use of causal models in marketing research: A review »,
International Journal of Research in Marketing, Vol. 13, N°2, pp 181-197.
Jarvis C.B., Mackenzie S.B., Podsakoff P.M., (2004), « Un examen critique des indicateurs de
construit et des erreurs de spécification des modèles de mesure dans la recherche en marketing et en
comportement du consommateur », Recherche et Applications en Marketing, Vol. 19, N°1, pp73-
97.
Kaplan D., (2000), Structural equation modeling: Foundations and extension, Sage, Thousand
Oaks, CA.
Kline R.B., (2011), Principles and practice of structural equation modelling, The Guilford Press,
3ème édition, New York London.
Lewis B.R., Soureli M., (2006), « The antecedents of consumer loyalty in retail banking », Journal
of Consumer Behaviour, Vol. 5, N°1, pp 15-31.
Lombart C., Labbé-Pinlon B., (2006), « Etude de l’impact de l’environnement du magasin sur la
satisfaction du consommateur et la fidélité au magasin », Actes des 11èmeJournée de Recherche en
Marketing de Bourgognes, Dijon, pp 1-20.
Macintosh G., (2007), « Customer orientation, relationship quality, and relational benefits to the
firm », Journal of Services Marketing, Vol. 21, N°3, pp 150-159.
Maddern H., Mall R., Smart A., (2007), « Customer satisfaction and service quality in UK financial
services », International Journal of Operations & Production Management, Vol. 27, N°9, pp 998-
1019.
Malhotra N., Décaudin J-M., Bouguerra A., Marty S., Urien E., (2004), Etudes marketing avec
SPSS, Pearson Education, 4ème Ed, Paris, 670 pages.
Mardia K.V., (1970), « Measures of multivariate skewness and kurtosis with applications »,
Biometrika, Vol. 36, pp 519-530.
Peterson R.A., (1995), « Une méta-analyse du coefficient alpha de Cronbach », Recherche et
Applications en Marketing, Vol. 10, N°2, pp 75-88.
Rauyruen P., Miller K.E., Groth M., (2009), « B2B services: linking service loyalty and brand
equity », Journal of Services Marketing, Vol. 23, N°3, pp 175-186.
Rossiter J.R., (2002), « The C-OAR-SE procedure for scale development in marketing »,
International Journal of Research in Marketing, Vol. 19, N°4, pp 305-335.
Roussel P., Durrieu F., Campoy E., El Akremi A., (2002), Méthodes d’équations structurelles :
Recherches et applications en gestion, Edition ECONOMICA, PARIS.
Sauer P.L., College C., Dick A., (1993), « Using Moderator Variables in Structural Equation
Models », Advances in Consumer Research, Vol. 20, pp 637-640.
Schumaker R.E., Lomax R.G., (2004), A beginner’s guide to structural equation modelling,
Lawrence Erlbaum Associates, 2ème edition, London.
Selig J.P., Preacher K.J., (2008, Juin), « Monte Carlo method for assessing mediation: An
interactive tool for creating confidence intervals for indirect effects »,
http://www.quantpsy.org/medmc/medmc.htm.
Sobel M.E., (1996), « An introduction to causal inference », Sociological Methods and Research,
Vol. 24, N°3, pp 353-379.
Steenkamp J-B.E.M., Baumgartner H., (2000), « On the use of structural equation models for
marketing modeling », International Journal of Research in Marketing, Vol. 17, N°2-3, pp 195-
202.
Ting D.H., (2004), « Service quality and satisfaction perceptions: curvilinear and interaction
effect», The International Journal of Bank Marketing, Vol. 22, N°6, pp 407-420.
Tuu H.H., Olsen S.O., (2009), « Food risk and Knowledge in the satisfaction – repurchase loyalty
relationship », Asia Pacific Journal of Marketing and Logistics, Vol. 21, N°4, pp 521-536.
Valette-Florence P., (1988), « Spécificités et apports des méthodes d’analyse multivariée de la
deuxième génération », Recherche et Applications en Marketing, Vol. 3, N°4, pp 23-56.
Vedrine J-P., (1991), Le traitement des données en marketing, Editions d’organisation, France, 173
pages.

Autres sources complémentaires

Amos Development Corporation, http://www.amosdevelopment.com/.


Desbois D., (1998), « Une introduction à l’Analyse en Composantes Principales avec SPSS pour
Windows », La revue Modulad, N°20, pp 57-74.
Tenenhaus M., (2008), « Utilisation des modèles à équations structurelles en analyse sensorielle »,
La revue Modulad, N°38, pp 87-92.